本申请涉及目标检测，特别涉及一种模型训练方法及多尺度车辆行人检测方法。
背景技术：
1、智能汽车作为近年来新兴的高新技术综合体，在车辆安全性方面作出了巨大的提升，通过汽车的自动驾驶系统，可以减少由于疲劳驾驶导致的交通事故，依靠着车载环境感知系统，在紧急情况下，自动驾驶系统可以迅速地作出更安全、更准确的决策。自动驾驶系统中的目标检测，检测车辆和行人，以准确地车辆自动避障和车辆巡航等任务正常进行。
2、目前的目标检测方法主要是使用雷达传感器与摄像头搭配，通过激光雷达测距，同时利用目标检测模型来实时识别画面中的目标类别，并将各类别的目标通过预测框的形式呈现在屏幕之上，实时呈现的图像为驾驶员提供参考的同时也为自动驾驶系统的决策提供了判断的依据。
3、然而，上述的目标检测模型的参数量以及计算量庞大，不易于嵌入式部署，而随着模型的参数量和计算量的降低，又将使得模型精度下降，导致在交通场景下目标检测精度不足，限制了模型在嵌入式平台部署后的检测效果。
技术实现思路
1、鉴于此，本申请提供一种模型训练方法及多尺度车辆行人检测方法，可以保障对车辆和行人的检测精度的基础上降低模型参数量和计算量，提升模型在嵌入式平台部署后的检测效果。
2、具体而言，包括以下的技术方案：
3、第一方面，本申请实施例提供一种模型训练方法，所述方法包括：
4、获取样本车辆行人训练集、样本车辆行人标注训练集和yolov8改进模型，所述yolov8改进模型的改进方法包括用部分卷积模块替换yolov8模型的骨干网络的c2f模块中bottleneck结构的传统卷积模块，引入轻量化跨尺度特征融合模块ccfm，引入重参数检测头；
5、基于所述样本车辆行人训练集和所述样本车辆行人标注训练集，训练yolov8改进模型，得到目标车辆行人检测模型。
6、在一些实施例中，所述基于所述样本车辆行人训练集和所述样本车辆行人标注训练集，训练yolov8改进模型，得到目标车辆行人检测模型，包括：
7、基于所述样本车辆行人训练集和所述样本车辆行人标注训练集，训练yolov8改进模型，得到中间yolov8改进模型；
8、响应于所述中间yolov8改进模型的性能满足训练完成条件，将满足训练完成条件的中间yolov8改进模型作为所述目标车辆行人检测模型。
9、在一些实施例中，所述yolov8改进模型的改进方法，具体包括：
10、用一个部分比例为四分之一的部分卷积模块替换yolov8模型的骨干网络的c2f模块中bottleneck结构的第一个卷积模块，用一个部分比例为三分之一的部分卷积模块替换yolov8模型的骨干网络的c2f模块中bottleneck结构的第二个卷积模块，得到第一改进模型；
11、在第一改进模型的颈部网络中，引入轻量化跨尺度特征融合模块ccfm，得到第二改进模型；
12、在第二改进模型的基础上，通过重参数模块改进检测头，得到yolov8改进模型。
13、在一些实施例中，在得到第二改进模型之前，还包括改变特征融合的输入特征图的通道数，将三个提取的特征图通道数均修改为128。
14、在一些实施例中，所述在第二改进模型的基础上，通过重参数模块改进检测头，得到yolov8改进模型，具体包括：
15、用重参数化模块repconv替换第二改进模型中检测头两个分支的convmodule模块。
16、在一些实施例中，所述训练完成条件为中间yolov8改进模型的map连续50轮不上升。
17、在一些实施例中，所述获取样本车辆行人训练集，包括：
18、获取kitti数据集，将所述kitti数据集按照7：2：1的比例划分为样本车辆行人训练集、样本车辆行人验证集和样本车辆行人测试集。
19、在一些实施例中，所述获取样本车辆行人标注训练集，包括：
20、对样本车辆行人训练集、样本车辆行人验证集和样本车辆行人测试集进行标注，得到样本车辆行人标注训练集、样本车辆行人标注验证集和样本车辆行人标注测试集，并将标签文件的格式转换为满足yolov8改进模型要求的txt标签文件，所标注的标签类别包括汽车、卡车、人和骑自行车的人。
21、在一些实施例中，所述方法还包括：
22、响应于所述中间yolov8改进模型的性能未满足训练完成条件，调整所述中间yolov8改进模型的训练权重和训练参数，直至所述中间yolov8改进模型的性能满足训练完成条件，所述训练参数包括初始学习率、训练迭代次数和每个训练批次的样本数量。
23、第二方面，本申请提供了一种多尺度车辆行人检测方法，所述方法包括：
24、获取如第一方面所述的模型训练方法中的目标车辆行人检测模型；
25、将待测车辆行人训练集输入至所述目标车辆行人检测模型中，得到车辆行人检测结果，所述车辆行人检测结果包括目标类别、目标边界框位置和置信度，目标类别包括汽车、卡车、人和骑自行车的人。
26、本申请实施例提供的技术方案的有益效果至少包括：
27、本申请实施例提供了一种模型训练方法及多尺度车辆行人检测方法，该方法首先获取样本车辆行人训练集、样本车辆行人标注训练集和yolov8改进模型，yolov8改进模型的改进方法包括用部分卷积模块替换yolov8模型的骨干网络的c2f模块中bottleneck结构的传统卷积模块，引入轻量化跨尺度特征融合模块ccfm，引入重参数检测头，部分卷积模块可以降低浮点运算次数，减少冗余计算和访问内存，更加有效地提取空间特征，轻量化跨尺度特征融合模块ccfm可缩小特征图通道数，将不同尺度的特征通过融合操作整合起来，以增强模型对于尺度变化的适应性和对小尺度对象的检测能力，在精度损失很小的条件下有效地实现了模型的轻量化，重参数模块可以加大对于特征学习的能力，减少参数量和计算量；然后基于样本车辆行人训练集和样本车辆行人标注训练集，训练yolov8改进模型，得到轻量化的目标车辆行人检测模型。该方法可以保障对车辆和行人的检测精度的基础上降低模型参数量和计算量，提升模型在嵌入式平台部署后的检测效果。
技术特征：1.模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述样本车辆行人训练集和所述样本车辆行人标注训练集，训练yolov8改进模型，得到目标车辆行人检测模型，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，yolov8改进模型的改进方法，具体包括：
4.根据权利要求3所述的模型训练方法，其特征在于，在得到第二改进模型之前，还包括改变特征融合的输入特征图的通道数，将三个提取的特征图通道数均修改为128。
5.根据权利要求3所述的模型训练方法，其特征在于，所述在第二改进模型的基础上，通过重参数模块改进检测头，得到yolov8改进模型，具体包括：
6.根据权利要求2所述的模型训练方法，其特征在于，所述训练完成条件为中间yolov8改进模型的map连续50轮不上升。
7.根据权利要求1所述的模型训练方法，其特征在于，所述获取样本车辆行人训练集，包括：
8.根据权利要求7所述的模型训练方法，其特征在于，所述获取样本车辆行人标注训练集，包括：
9.根据权利要求2所述的模型训练方法，其特征在于，所述方法还包括：
10.多尺度车辆行人检测方法，其特征在于，所述方法包括：
技术总结本申请公开了一种模型训练方法及多尺度车辆行人检测方法，属于目标检测技术领域。该方法首先获取样本车辆行人训练集、样本车辆行人标注训练集和YOLOv8改进模型，YOLOv8改进模型的改进方法包括用部分卷积模块替换YOLOv8模型的骨干网络的C2f模块中Bottleneck结构的传统卷积模块，引入轻量化跨尺度特征融合模块CCFM，引入重参数检测头；然后基于样本车辆行人训练集和样本车辆行人标注训练集，训练YOLOv8改进模型，得到轻量化的目标车辆行人检测模型。该方法可以保障对车辆和行人的检测精度的基础上降低模型参数量和计算量，提升模型在嵌入式平台部署后的检测效果。
技术研发人员：李赛飞,王硕,姚涛,贺文伟,蒲桂东
受保护的技术使用者：西南交通大学烟台新一代信息技术研究院
技术研发日：技术公布日：2024/12/17